企业官网建设流程全解析

Awesome-finance-skills的alphaear-predictor深度剖析：Kronos时序模型与新闻情绪感知预测

【免费下载链接】Awesome-finance-skillsA collection of Awesome Finance Agent Skills for free and easy to start | 一系列开源免费的金融分析Agent Skills项目地址: https://gitcode.com/gh_mirrors/aw/Awesome-finance-skills

alphaear-predictor是开源项目Awesome-finance-skills中最具技术含量的一款金融分析技能：它基于Kronos 时序预测模型对股票 K 线进行量化预测，并首次将新闻情绪作为模型输入做定量修正，让 AI Agent 从"只看K线"进化为"K线 + 新闻"双重感知的市场预测引擎。

一、什么是 alphaear-predictor？

Awesome-finance-skills 是一套"即插即用"的金融 Agent 技能集合，包含新闻聚合、行情数据、情绪分析、逻辑可视化、研报生成等 8 款技能。其中 alphaear-predictor 承担市场预测职责，解决一个核心问题：

纯技术指标预测无法感知"今天发生了什么"——而新闻，恰恰是市场短期波动的重要驱动力。

它的定位可以概括为一句话：用 Kronos 做量化的底子，用新闻情绪做定量的修正，最后用 LLM 分析师做定性的把关。

二、两阶段预测工作流：量化打底 + AI 修正

alphaear-predictor 的预测流程分为清晰的两个阶段：

阶段 1：Kronos 生成基础预测（技术面）

核心入口是 KronosPredictorUtility，其get_base_forecast(df, lookback, pred_len, news_text)方法会：

1. 取最近20 个交易日的 OHLCV 历史数据作为上下文；
2. 由 Kronos 模型自回归采样，输出未来N 个交易日（默认 5 日）的开盘/最高/最低/收盘/成交量序列；
3. 输出结构化为KLinePoint数据点，便于 Agent 直接消费。

阶段 2：LLM 分析师做主观调整（消息面）

基础预测只是"纯技术面"的结果。随后 Agent 会加载 PROMPTS.md 中内置的**"资深量化策略分析师"提示词**，将 Kronos 基础预测与最新新闻情报放在一起，按以下原则修正：

• 若存在新闻感知模型的定量修正，高度尊重该修正结果；
• 用新闻逻辑做定性验证或微调；
• 最终输出严格的 JSON 格式调整预测 + 调整理由（rationale）。

这套"模型出数、AI 把关"的设计，既保留了时序模型的数值稳定性，又让最新突发事件能即时影响预测结论。

三、Kronos 时序模型深度解析

Kronos 是专为金融市场设计的时序大模型，源码位于 skills/alphaear-predictor/scripts/predictor/model/，由两大部件组成：

1. KronosTokenizer：把K线"分词"成Token

传统时序模型直接吃数值，而 Kronos 借鉴了大语言模型的思想——先用KronosTokenizer把 K 线序列压缩为离散 Token。其核心是BSQuantizer（二值球面量化），配合编解码 Transformer 层，将 OHLCV 数据压缩为双层比特码本（s1_bits + s2_bits）。

打个比方：就像给 K 线"造了一套语言"，模型才能像读文本一样"读懂"行情走势。

2. Kronos 主干 + 新闻投影层（news_proj）

这是 alphaear-predictor 的精髓所在。除了加载基础 Kronos 模型外，工具类还会自动扫描模型目录中的.pt权重文件（如kronos_news_v1_*.pt）：

• 若找到训练好的新闻投影层（news_proj_state_dict），会将其挂载到主干模型上，模型进入新闻感知模式（has_news_model = True）；
• 若没有，则自动降级为纯技术面预测，不阻断流程。

推理时（kronos_predictor.py#L127-L150）：

1. 新闻文本（最长 1000 字符）经 SentenceTransformer 编码为向量；
2. 向量通过news_proj线性层投影进 Kronos 的特征空间；
3. 与 K 线 Token 一起参与预测——新闻信息由此真正"注入"了数值预测。

四、如何快速上手？

一键安装步骤

# 安装 alphaear-predictor 技能 npx skills add RKiding/Awesome-finance-skills@alphaear-predictor

模型与依赖配置

配置完成后，直接向你的 Agent 提问即可：

"预测 600519 未来 7 个交易日的走势"

工具链会调用 ForecastUtils 自动完成"取行情 → 基础预测 → 分析师修正"全流程。

五、与其他技能如何协同？

alphaear-predictor 并非孤岛，它的新闻输入正是由兄弟技能提供的：

• alphaear-news：聚合财联社、华尔街见闻等 10+ 信源，提供最新财经情报，作为预测的news_text；
• alphaear-sentiment：FinBERT/LLM 情绪评分（-1.0 ~ +1.0），为"新闻利好/利空"提供量化依据；
• alphaear-logic-visualizer：把"新闻 → 板块 → 个股"的传导逻辑画成链路图，帮助复盘预测依据。

六、核心文件索引

总结

alphaear-predictor 用一套精巧的架构回答了"AI 如何预测市场"：Kronos 时序模型负责把历史 K 线读懂并给出量化预测，新闻投影层让最新情报直接参与数值修正，LLM 分析师再做最终把关。三层递进，既有模型的确定性，又有消息面的灵敏度——这正是它区别于普通"看图说话"式 AI 预测的关键。

【免费下载链接】Awesome-finance-skillsA collection of Awesome Finance Agent Skills for free and easy to start | 一系列开源免费的金融分析Agent Skills项目地址: https://gitcode.com/gh_mirrors/aw/Awesome-finance-skills